Siempre veo el filtro de Kalman utilizado con dichos datos de entrada. Por ejemplo, las entradas son comúnmente una posición y la velocidad correspondiente:
En mi caso, solo tengo posiciones y ángulos 2D en cada tiempo de muestra:
¿Debo calcular las velocidades para cada punto y para cada ángulo para poder ajustar el marco de Kalman?
filters
adaptive-filters
kalman-filters
Stéphane Péchard
fuente
fuente
Respuestas:
Una variable de estado y su derivada a menudo se incluyen como entradas para un filtro de Kalman, pero esto no es obligatorio. La esencia del marco de Kalman es que el sistema en cuestión tiene un estado interno que está tratando de estimar. Usted estima esas variables de estado basándose en sus mediciones de los observables de ese sistema a lo largo del tiempo. En muchos casos, no puede medir directamente el estado que le interesa estimar, pero si conoce una relación entre sus mediciones y las variables de estado interno, puede usar el marco de Kalman para su problema.
fuente
La tasa de guiñada de la cámara puede calcularse a partir de la velocidad de una posición 2D por una profundidad de imagen (una de las posiciones 3D). Entonces, básicamente tiene dos tipos de soluciones de la tasa de guiñada, a menudo es por procesamiento de posición de imagen, otra es por sensor de velocidad de guiñada. Se pueden combinar entre sí con el filtro Kalman para refinar la tasa de guiñada.
fuente
fuente